Identifying vulnerable urban neighbourhoods and their environmental, density, and housing characteristics in Accra, Ghana using census and remote sensing data
Notice bibliographique
Résumé
BACKGROUND AND AIM: Identifying vulnerable urban communities, commonly known as slums, can facilitate targeted policies to reduce urban economic and social inequities in cities, but these data are rarely available. We aimed to identify vulnerable urban neighbourhoods and their environmental and housing characteristics in Accra, Ghana using available training data on the city center (Accra Metropolitan Area - AMA) applied to the Greater Accra Metropolitan Area (GAMA). METHODS: We accessed the following enumeration area (EA)-level data for Greater Accra: slum classification available for a subset of 2,418 EAs in the AMA from the Accra Metropolitan Assembly and UN-Habitat 2011 report; housing conditions from the most recent Ghana Census (2010); and environmental quality attributes from remote sensing data provided by the United States Geological Survey and National Aeronautics and Space Administration. We fitted a Bayesian logistic regression model to evaluate associations between housing, density, and environmental attributes with vulnerable area classification of EAs in the AMA. We then applied the model to predict the probability of each urban EA in GAMA as being vulnerable. RESULTS:We estimated that approximately one-fifth of EAs in the GAMA had a vulnerable area probability greater than 80%, corresponding to a population of 752,367 likely living in suboptimal conditions. The variables associated with a higher probability of an EA being vulnerable included greater use of public toilet facilities [OR: 3.51 (95% credible interval (CI): 1.55,7.53)], higher population density [OR: 5.72 (95% CI: 3.85,8.65)], lower use of improved wall materials [OR: 0.11 (95% CI: 0.03,0.43)], lower elevation [OR: 0.45 (95% CI: 0.35, 0.58)], lower use of indoor piping as a drinking water source [OR: 0.50 (95% CI: 0.25,0.99)], and lower vegetation abundance [OR: 0.25 (95% CI: 0.16,0.39)]. CONCLUSIONS:Our approach can be used in future studies to identify geographic clusters of vulnerable areas where interventions are warranted to improve housing and environmental conditions. KEYWORDS: Built environment, Socio-economic factors, Epidemiology
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».